小知识点系列(三) 本文(3万字) | PAN与代码复现 | Backbone之FPN与代码复现 | SPP / SPPF / SimSPPF / ASPP / RFB / SPPCSPC |

已于 2024-01-04 17:19:05 修改
阅读量1k 收藏 19
点赞数 15
文章标签： YOLO 深度学习 人工智能 PAN FPN SPP SPP变种
于 2023-12-28 09:48:03 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44302770/article/details/135261540
版权
人工智能专栏计划 专栏收录该内容
141 篇文章 7 订阅

已下架不支持订阅

点击进入专栏：
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程

文章目录

PAN与代码复现

PAN全称Path Aggregation Network，是由Megvii在2018年提出的一种处理多尺度问题的方法。

PAN（Path Aggregation Network）是一个用于图像语义分割的深度神经网络架构。PAN的主要思路是通过聚合来自不同层级的特征图，使得每个特征图中的信息都可以被充分利用，从而提高检测精度。与FPN类似，PAN也是一种金字塔式的特征提取网络，但是它采用的是自下而上的特征传播方式。
  PAN的构建方式是从低分辨率的特征图开始向上采样，同时从高分辨率的特征图开始向下采样，将它们连接起来形成一条路径。在这个过程中，每一层特征图的信息都会与上下相邻层的特征图融合，但与FPN不同的是，PAN会将不同层级的特征图融合后的结果进行加和，而不是级联。这样可以避免在级联过程中信息的损失，同时还可以保留更多的细节信息，从而提高检测精度。
  在PAN中，网络的主干部分通常采用ResNet等常用的卷积神经网络结构。在主干网络的后半部分，PAN引入了一个自下而上的侧边分支，用于将低分辨率

了解本专栏 已下架不支持订阅
小酒馆燃着灯
关注
  • 15
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录

已下架不支持订阅

小知识点系列(一) 本文(2.2万字) | 图像变换 | 平移缩放旋转翻错切 | 仿射变换与透视变换 | 代码复现 |
weixin_44302770的博客
12-25 926
旋转同平移一样，也是用仿射变换实现的，因此也需要定义一个变换矩阵。OpenCV直接提供了 cv.getRotationMatrix2D()函数来生成这个矩阵，该函数有三个参数：参数1：图片的旋转中心参数2：旋转角度(正：逆时针，负：顺时针)参数3：缩放比例，0.5表示缩小一半图解图像各种变换《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程图像几何变换仿射变换与透视变换。
目标检测Neck：FPN（Feature Pyramid Network）与PAN（附torch代码）
猛码Memmat
09-19 1127
neck
fpn+detnet代码解析
王兆兆的博客
12-28 2219
FPN+detnet代码解析 上一篇博客讲了一下detnet的基本结构，但是detnet是一个专门用于目标检测的backbone网络，因此通常都和很多其他网络结合在一起，如fpn。这篇文章则来看一下和fpn结合的代码部分。 首先来看一下整个网络的init_modules部分： class detnet(_FPN): def __init__(self, classes, num_layer...
空间金字塔池化改进 SPP / SPPF / SimSPPF / ASPP / RFB / SPPCSPC / SPPFCSPC / SPPELAN
热门推荐
YOLOv8项目贡献者
08-15 11万+
汇总一些SPP结构
语义分割模型 DeeplabV3plus 复现代码
07-23
本资源是语义分割模型 DeeplabV3plus 的 pytorch 复现，其 backbone 包括 Xception、Resnet101 和 MobilenetV2。 项目仅提供代码，没有给出训练后的模型！
dinov2代码与预训练模型
06-18
【标题】"Dinov2代码与预训练模型" 是一个与深度学习相关的主题，特别是针对自然语言处理或计算机视觉领域的模型。 Dinov2可能是一个更新版本的Dino（Distributed Inference Network for Objectives Over Visual ...
backbone-tutorial-series:Backbone.js教程系列中生成的源代码
05-01
固定链接： : 第三部分该系列的第3部分展示了如何使用Backbone.Model，其所有功能以及该模型与第2部分中创建的View的集成。编写了一个简单的Sinatra后端，以显示Backbone.Model如何将RESTful API与Backbone.sync...
JavaScriptMVC框架PK：Angular、Backbone、CanJS与Ember
02-03
本文对JavaScriptMVC框架Angular、Backbone、CanJS和Ember作了比较，供大家参考。选择JavaScriptMVC框架很难。一方面要考虑的因素非常多，另一方面这种框架也非常多，而要从中选择一个合适的，还真得费一番心思。想...
骨干网问题程序代码.rar_C/C++__C/C++_
08-09
"骨干网问题程序代码.rar"是一个与C/C++相关的压缩包，其中包含了用于解决特定问题的源代码。根据描述，这个程序代码是用来建立一个骨干网分配的最优模型，这在数学建模竞赛如深圳杯中是一种常见的挑战。 骨干网，...
实战 | YOLOv8使用TensorRT加速推理教程（步骤 + 代码）
最新发布
Color Space的博客
07-09 63
这一步主要是安装根据自己的硬件安装GPU驱动，下载CUDNN等，以往的文章已经介绍过多次，可以点击下面的图片跳转到对应文章查看(点击图片跳转)。DeepSparse：专为稀疏模型设计的CPU推理运行时，可以有效加速基于WSL2的Windows环境下的推理。OpenVINO：Intel的推理工具套件，用于CPU上的模型优化和加速，支持量化和多种硬件加速。可以使用官网下载的模型也可以使用自己训练好的模型。保持框架最新：确保使用的深度学习框架版本是最新的，以获得最新的优化和bug修复。
绝缘子陶瓷绝缘子玻色绝缘子聚合物绝缘子检测数据集VOC+YOLO格式2050张3类别
FL1623863129的博客
07-06 129
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:["glass insulator","polymer insulator","porcelain insulator"]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：2050。标注数量(xml文件个数)：2050。标注数量(txt文件个数)：2050。
YOLO 应用
weixin_46807151的博客
07-04 180
YOLO（You Only Look Once）算法是一种高效的对象检测模型，自其发布以来，在多个领域中都得到了广泛的应用。总的来说，YOLO算法凭借其高效性和准确性，在多个领域中都有着广泛的应用前景。随着技术的不断发展，YOLO算法的性能和适用范围还将继续提升和扩展。
YOLOv8模型调参---数据增强
weixin_45303602的博客
07-04 770
离线增强是指在模型训练前在计算机上一次性完成所有数据增强操作，将原始数据集转化为包含多种增强版本的扩充数据集，并将增强后的样本保存到磁盘或内存中，然后使用这个固定的扩充数据集进行训练。
使用YOLO训练好自己的模型并持续训练【教程二】
donnycode编程栈
07-09 201
在使用已经训练好的 YOLOv5 模型继续训练时，如果减少了 yaml 文件中的 classes 分类数，这会对模型产生影响。具体影响取决于以下几个方面：类别数量减少：如果你在继续训练时减少了 classes 中的类别数量，模型将不会再检测那些已移除的类别。这意味着模型的权重将被重新调整以适应新的类别数量和类别标签。这会导致以下问题：权重调整：模型会重新分配权重，原有的类别可能会受到影响。检测准确性：减少类别数量可能导致检测准确性降低，尤其是在剩余类别与被移除类别有特征重叠的情况下。
主干网络篇 | YOLOv5/v7 更换主干网络之 ShuffleNetv2 | 高效CNN架构设计的实用指南（2）
weixin_39818775的博客
07-06 1327
YOLOv5和YOLOv7是目前主流的轻量级目标检测模型，在速度和精度方面取得了良好的平衡。然而，传统的YOLOv5/v7模型使用FPN和CSPNet等结构作为主干网络，在移动设备和嵌入式系统等资源受限的场景中运行时可能存在效率较低的问题。为了解决这个问题，本文提出了一种使用ShuffleNetv2作为主干网络的YOLOv5/v7模型，该模型在移动设备和嵌入式系统上具有更高的推理速度和更低的内存消耗。YOLOv5/v7模型更换ShuffleNetv2主干。
yolov5 json 和 txt数据格式关系
weixin_41021342的博客
07-06 101
关于yolov5 数据格式一直以来都傻傻分不清楚，这下进行了一个梳理，做了笔记，也希望可帮助到有需要的有缘人~
YOLOv5、v7、v8如何修改检测框文字颜色和大小
Yayisheng的博客
07-08 166
YOLOv5和YOLOv8默认的标签文字颜色为白色，但是在亮度较大的图片中文字不明显，就需要对标签文字的颜色进行修改。
swin transformer与fpn配合代码
03-28
Swin Transformer是一种基于Transformer架构的图像分类模型，而FPN（Feature Pyramid Network）是一种用于目标检测和语义分割任务的特征金字塔网络。它们可以结合使用来提高图像分类和目标检测的性能。 在Swin Transformer与FPN的代码配合中，一般的做法是将Swin Transformer作为主干网络提取图像特征，然后将这些特征传递给FPN进行进一步处理。下面是一个示例代码： ```python import torch import torch.nn as nn import torchvision.models as models # 加载Swin Transformer作为主干网络 backbone = models.swin_transformer.SwinTransformer() # 加载FPN fpn = models.detection.backbone_utils.FPN() # 定义整个模型 class SwinFPN(nn.Module): def __init__(self, backbone, fpn): super(SwinFPN, self).__init__() self.backbone = backbone self.fpn = fpn def forward(self, x): # 提取Swin Transformer的特征 features = self.backbone(x) # 将特征传递给FPN进行处理 fpn_features = self.fpn(features) return fpn_features # 创建SwinFPN模型实例 model = SwinFPN(backbone, fpn) # 输入示例图像 input_image = torch.randn(1, 3, 224, 224) # 前向传播 output_features = model(input_image) ``` 这段代码中，我们首先加载了Swin Transformer和FPN的模型，然后定义了一个新的模型`SwinFPN`，其中将Swin Transformer作为主干网络，FPN作为进一步处理特征的网络。在前向传播过程中，我们将输入图像传递给`SwinFPN`模型，得到输出的特征。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小酒馆燃着灯

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值